以可信模型为例。如何判断一笔交易是否存在账号被盗的风险呢？这里，我们创造性地跨界借鉴了广告CTR预估技术。参考2014年Facebook一篇广告算法的论文中分享的GBDT+逻辑回归的方式，我们使用蚂蚁开发的参数服务器技术，并把逻辑回归独创性的换成了大规模深度学习（GBDT+DNN），并成功使用到风控业务里。因为在风控中有许多特征无法准确判断是否有用，因此通过GBDT产生海量特征之后，再将这些特征用于深度学习模型，进一步提升检测效率。

接下来，我们进一步可以考虑用户、设备和卖家之间的关系，利用Embedding技术，将关系整合形成图网络，再进行监督学习和增强学习。举例来说，我们是如何及时检测出支付宝账号的盗号行为的呢？首先我们会将包括用户、商户，手机、PC计算机、iPad等多个终端设备构成一个图网络。第二，我们可以将整个图关系通过Embedding技术构建深度学习网络。机器学习技术能够以此产生一个隐层表达，这个表达不光涵盖了每个节点自身复杂的特征，并对网络结构进行了编码。相较于此前的Node2vec系统，新系统——Struc2vec算法的预测精度实现了质的飞跃。

案例二：智能客服助理

智能助理和机器人是人工智能领域最热门的话题之一，其中“人机对话”是关键。如果你现在打开支付宝中的“智能客服”页面，你就可以与支付宝人工智能客服“小蚂答”进行互动，感受人工智能客服的有问必答。此外，蚂蚁财富的社区机器人“乐于助人的安娜”是蚂蚁金服智能对话机器人的又一案例，用户直接输入问题或者参与讨论，都可以得到她的回答。她甚至还提供舆情分析等强大功能。

接下来我和大家分别介绍这两个智能客服助理背后的关键技术。

客服机器人算法创新－结合用户行为轨迹的语义匹配模型

当用户向支付宝智能客服提问“如何退款？”时，这个问询是没有上下文的，这也就意味着没有场景。为了很好的理解这句问询背后用户的动机，我们采用了LSTM+DSSM

（Long Short-Term Memory + DeepStructured Semantic Model）的算法创新。我们首先通过LSTM对用户行为轨迹做一个编码，通过深度排序模型，结合用户之前的历史操作，系统能够判断用户的诉求更接近“转账到账户转错了怎么办？”，而不是“为什么银行卡转账被退回来了？”。借助这项技术，去年双十一智能客服自助服务的比例高达惊人的97%，目前人工智能客服助理的回答满意度也已经超过了人工客服，系统整体在降低成本的同时服务质量还有了显著的提升。

舆情分析

蚂蚁财富的社区机器人“乐于助人的安娜”的舆情分析能力背后的技术主要包括两大板块。

一、基于金融领域情感知识库的方法。首先对数据进行基于模板的情感单元抽取，之后利用情感知识库计算情感单元的正负情感进行打分，最终汇总所有情感单元的打分情况得到总情感得分。其中，情感单元值得是完整的情感表达单元，而不是单个的情感词。如系统能够准确辨别出“利空出尽”是正面的情感，而“风险上升”是负面情感——尽管这两个词包含多个相反情感的词汇。二、基于深度学习的方法。整套系统采用卷积神经网络（CNN）和张量神经网络（TNN）的组合，包括卷积层、张量层、k-max pooling层、全连接层，最终输出正负情感得分。其中CNN用于抽取结构化局部特征，TNN建模特征间的交互协同。两项技术相结合，最终使得“安娜”的新闻文本舆情分析准确率高达88.4%！

案例三：基于参数服务器的大规模机器学习

在阿里巴巴集团时，atv，我们团队开发了一个大规模机器学习平台，后来在蚂蚁金服我们继续在阿里这个平台添加新算法。这个机器学习平台在整个阿里经济体被广泛使用。大家每天都能接触到的淘宝的广告搜索、手机淘宝推荐、还有2015年双十一的天猫在线实时推荐都是基于这套系统，并取得了非常好的效果。今年，我们又将这套系统在蚂蚁风控中成功应用。目前，在安全可信交易识别模型中，相同覆盖度的情况下，案件召回率已从91% 增加到了98%；这套系统每天可以让一千多万笔交易更快更准地通过风险检查。相关论文已在数据挖掘领域的国际顶级会议KDD 2017和世界互联网领域的顶级会议WWW 2017大会上发出。

我们总结了这个大规模机器学习平台的优势，分别是：

数据与模型并行

鲁棒故障切换

通过同步和异步-迭代

支持100亿特征、1000亿样本、10000亿参数——我们能从海量数据中提取价值并作出预测。